这款尺寸小巧但功能强大的边缘 AI 计算机得到了边缘人工智能与视觉联盟(Edge AI and Vision Alliance)的认可。
体积小巧但功能强大的 NVIDIA Jetson Nano 为 NVIDIA 再添一项荣誉。
边缘人工智能与视觉联盟是由多家领先公司组成的国际性行业联盟,致力于计算机视觉和边缘 AI 技术的创新和落地应用。在该联盟公布的 2020 年度最佳视觉产品奖名单中,Jetson Nano 荣膺“最佳 AI 处理器”。
今年是创立年度最佳视觉产品奖的第 3 年。该奖项分为 5 个类别,由一个独立的评委会根据创新程度、对客户和市场的影响以及竞争差异评选获奖产品。
边缘人工智能与视觉联盟创始人 Jeff Bier 表示:“祝贺 NVIDIA 被我们的独立评委会评选为这一大奖的获奖者。NVIDIA 是嵌入式计算机视觉和 AI 领域的先驱,多年来一直保持着令人惊叹的创新速度。”
作为一个尺寸小巧、易于使用的平台,去年发布的 NVIDIA Jetson Nano 为边缘 AI 提供了强大的算力支持,并且具有完整的软件可编程性。Jetson Nano 模块的尺寸仅有 70 x 45 毫米,是 Jetson 系列中尺寸最小的模块。
但可不要被其信用卡大小的外形所“欺骗”。Jetson Nano 具备快速运行现代 AI 工作负载所需的性能和功能,在机器人技术、智慧城市、零售和医疗等多个行业的边缘 AI 部署工作中发挥了巨大作用。
Jetson Nano 为边缘 AI 开辟了新的可能性。它能提供高达 472 GFLOPS 的加速算力,而且可以并行运行许多现代神经网络。
目前该产品已投入生产,并支持所有流行的AI框架。这使 Jetson Nano 成为了开发 AI 产品的理想选择,包括物联网网关、网络录像机、摄像头、机器人和光学检测系统。
该系统模块内置 NVIDIA Maxwell GPU,并得到了 NVIDIA JetPack SDK 的支持,因而极大丰富了制造商、开发者和教育工作者当前的选择范围,帮助他们找到了具备支持 AI 工作负载所需更高性能的嵌入式边缘计算方案,摆脱了尺寸、重量、功率预算或成本的限制。
这种全面的软件堆栈可以使 AI 在自主机器上进行快速部署、降低复杂性,并加快产品推出时间。
作为领先的边缘 AI 计算平台,使用 NVIDIA Jetson 的开发者数量目前达到近 50 万。Jetson 全系列产品均支持云原生技术,因此智能机器制造商和 AI 应用开发者可以在面向各种应用的嵌入式和边缘设备上,创建和部署高级软件定义功能。
云原生支持使用户能够在应用程序的整个生命周期中大规模地进行改进、提高准确性并快速部署新的算法,同时大幅减少停机时间。
新一代自主机器嵌入式系统NVIDIA Jetson将现代AI的力量带入数百万边缘设备,开启嵌入式物联网应用程序新领域。专区有最新活动、产品、资源和学习内容,带您感知AI新维度。访问地址:http://www.zhiding.cn/special/jetson
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。